Python的functools模块是标准库中专门用于操作可调用对象、优化函数行为的工具集合，它提供了多个实用的高阶函数和装饰器，能够帮助开发者在不修改原函数逻辑的前提下，实现函数缓存、参数预设、比较规则定制等功能，有效提升代码的性能和可复用性。
functools核心工具介绍
1. lru_cache：函数结果缓存装饰器
lru_cache是functools中最常用的工具之一，它可以缓存函数的调用结果，当再次使用相同参数调用函数时，直接返回缓存的结果，避免重复计算。这个装饰器特别适合处理递归函数、耗时计算函数等场景。
使用lru_cache时，可以指定maxsize参数设置缓存的最大条目数，当缓存满时，会淘汰最近最少使用的缓存结果。如果不指定maxsize或者设置为None，缓存会无限制增长。
import functools
import time
# 使用lru_cache装饰器缓存函数结果
@functools.lru_cache(maxsize=128)
def compute_fibonacci(n):
"""计算斐波那契数列第n项"""
if n <= 1:
return n
return compute_fibonacci(n-1) + compute_fibonacci(n-2)
# 第一次调用，会执行计算
start_time = time.time()
result1 = compute_fibonacci(35)
print(f"第一次调用结果：{result1}，耗时：{time.time()-start_time:.4f}秒")
# 第二次调用相同参数，直接返回缓存结果
start_time = time.time()
result2 = compute_fibonacci(35)
print(f"第二次调用结果：{result2}，耗时：{time.time()-start_time:.4f}秒")
上述代码中，第一次调用compute_fibonacci(35)会执行递归计算，第二次调用相同参数时，直接从缓存中获取结果，耗时几乎为0。可以通过compute_fibonacci.cache_info()查看缓存的命中情况、未命中次数等信息。
2. partial：偏函数工具
partial可以用来固定函数的部分参数，生成一个新的可调用对象，这个新对象调用时只需要传入剩余的参数即可。它常用于简化函数调用，减少重复传参的场景。
import functools
def multiply(a, b, c):
"""三个数相乘的函数"""
return a * b * c
# 固定第一个参数为2，生成新的偏函数
double_multiply = functools.partial(multiply, 2)
# 调用偏函数，只需要传入b和c两个参数
result = double_multiply(3, 4)
print(f"偏函数调用结果：{result}") # 输出 2*3*4=24
# 固定多个参数
triple_multiply = functools.partial(multiply, 2, 3)
result2 = triple_multiply(4)
print(f"固定两个参数的偏函数调用结果：{result2}") # 输出 2*3*4=24
偏函数还可以固定关键字参数，比如functools.partial(func, key1=value1)，调用新函数时如果传入同名的关键字参数，会覆盖预设的值。
3. cmp_to_key：自定义排序规则转换工具
在Python3中，sorted函数和list的sort方法不再支持cmp参数（比较函数），而是使用key参数（单个参数的函数）。functools.cmp_to_key可以将旧式的比较函数转换为key函数，方便兼容旧的排序逻辑。
import functools
# 定义比较函数，返回负数表示a<b，0表示a==b，正数表示a>b
def compare_length(a, b):
if len(a) < len(b):
return -1
elif len(a) == len(b):
return 0
else:
return 1
words = ["apple", "banana", "pear", "orange", "kiwi"]
# 使用cmp_to_key转换比较函数，作为sorted的key参数
sorted_words = sorted(words, key=functools.cmp_to_key(compare_length))
print(f"按长度排序后的列表：{sorted_words}") # 输出 ['pear', 'kiwi', 'apple', 'banana', 'orange']
functools的其他实用工具
除了上述三个核心工具，functools还提供了其他实用的功能：
- wraps：装饰器工具，用于保留原函数的元信息（如函数名、文档字符串等），避免装饰器覆盖原函数的属性。
- reduce：累积计算函数，对序列中的元素进行累积操作，不过Python3中reduce被移到了functools模块中。
- total_ordering：类装饰器，只需要定义一个比较方法（如__lt__），就可以自动生成其他比较方法（__le__、__gt__、__ge__、__eq__）。
使用注意事项
在使用functools工具时，需要注意以下几点：
- lru_cache装饰的函数，其参数必须是可哈希的，因为缓存的键是基于参数的哈希值生成的，如果参数包含列表、字典等不可哈希类型，会导致缓存失效。
- partial生成的新函数，其默认参数在函数定义时就已经固定，不会随着后续原函数的参数变化而变化。
- 使用wraps装饰器时，需要将它放在内层装饰器的定义中，确保原函数的元信息被正确保留。
通过合理运用functools模块提供的工具，开发者可以更高效地优化Python函数的行为，减少冗余代码，提升程序的运行效率和可维护性，是Python开发中非常实用的技能。